这个就到了VAR模型了吧。。。应用到时间序列一类的分析。
首先呢，单纯从模型设定上，我们肯定要先做ADF检验。
系数解释的话，也不会太难吧，遵照OLS回归系数的解释。应该不是太麻烦。
但模型设定的前提比较麻烦，实践中我还没使用过，可以下来试一试

哈哈你没有正面回答我的问题。

(⊙o⊙)…还真是没正面回答。。。
最初那几个方程联立迭代，得到y1 = y2 + y3 + x1 + x2 + x3 +e  如果不忽略系数，可以把系数也加上。我们在这里看到的可能是一个线性的方程，但如果考虑到panel数据以及数据中的时间属性，就会发现这其实是一个系数矩阵。也就是之前讲到的向量自回归模型VAR。内生变量对模型内全部内生变量的滞后值进行估计。
我们可以看到几个方程：
y1 = b11x1 + b12x2 + b13x3 +e1
y2 = b21x1 + b22x2 + b23x3 +e2
y3 = b31x1 + b32x2 + b33x3 +e3
迭代进来：（系数太多，我就不整理出来了）下面的方程处于分析的方便，把Yt放在数列后面。
y2 = y1 +e
y3 = y2 +e = b1^x1 + b2^x2 + b3^x3 + e^ = b^y1 + e^
......
Yt = B^y1 + e^
要加一个大括号，表示联立。白噪声们服从IID，协方差为零。
Yt为3X1阶时间序列向量
然后求出模型的自回归算子。在初始值的基础上,Y1初始值上施加一个影响，到T期，就已经变成π的t次方，影响会趋近于零。同样，白噪声的冲击离t期越远，影响就越小。
估计模型的时候，计算方法是OLS，预测回归系数。但统计软件在操作过程中，就把这个过程放到后台去做了。stata命令： var x1 x2 x3 ，lags（1/n）（或者 y1 y2 y3）
解释的时候，系数表格上显著地就说明影响多大，不显著的话，就是没有影响。解释起来按照OLS的解释，我这样讲的可能还是有漏洞。
不知道这样是不是符合答案